全球经济不确定性的增加和极端事件的频发使得精确测度全球股市极端风险溢出效应成为应对跨国金融冲击的重要途径。现有研究在综合考虑时间序列非线性、长期依赖性和多变量交互影响方面存在一定的局限性。因此，本文提出Transformer-LSTM分位数回归模型，在提取数据时序特征的同时，利用Transformer中的多头注意力机制并行处理多个注意力函数，以更精确地捕捉全球股市极端风险的时间演变特征，并构建溢出网络测度全样本和金融危机等危机事件发生期间的风险溢出效应。基于2001年12月—2024年3月共19个国家周度股指数据的实证结果表明：（1）本文提出的模型相较于多层感知机（MLP）、长短期记忆网络（LSTM）以及Transformer具有更强的预测能力。（2）各国股市在全样本期间的溢出效应具有非对称性，其中，美国股市存在显著的风险溢出效应，中国股市没有明显的风险溢出和接收效应。（3）危机事件发生时，极端风险溢出效应增加且非对称性增强。金融危机期间，美国股市风险溢出效应显著，多国存在显著的双向溢出效应；欧债危机期间，风险溢出效应主要集中在欧洲国家的股票市场；中美贸易摩擦期间，美国股市对中国股市的风险冲击明显增强；新冠疫情期间，美国、英国等发达国家股市仍是主要的风险溢出源。本文提出的模型为金融市场的极端风险溢出研究提供了新思路，研究结果对危机时期的全球股市风险管理具有重要的参考借鉴价值。
